近年来,微博,Facebook,微信等大型社交网络迅速普及,形成了海量的社交网络数据。海量的社交网络数据使得经典的网络表示方法在进行网络的数据挖掘时遇到了瓶颈,经典的网络表示方法在表示大型网络时存在占用空间过大,数据形式不利于后续的数据挖掘算法等问题。作为解决这些问题的一种途径,网络表示学习近年来受到了越来越多的研究者的关注。网络表示学习的目的是将网络中的节点映射到一个低维的向量空间中,把每一个网络节点表示为一个特征向量,使得原始网络的结构信息能够蕴含在向量中。网络表示学习通过把网络节点表示成一个低维向量,使得网络数据更容易存储,同时向量形式的网络数据也更容易作为机器学习算法的输入。然而网络表示学习算法的效果会随着社交网络的逐渐稀疏很快地降低。因为如果社交网络很稀疏,那么网络中的很多用户之间没有直接或者间接的联系,网络表示学习算法就无法确定用户向量在向量空间中相互之间的距离。为了解决这一问题,本文利用了社交网络中用户节点的属性信息。通过将用户的各种属性提取出来,形成新的属性节点,将其加入到社交网络中,形成新的异构社交网络。异构社交网络中用户之间通过不同类型的属性节点和链接关系互相链接,蕴含了丰富的语义关系,从而有效地缓解了社交网络的稀疏性问题。但是目前的网络表示学习算法主要是关注于同构网络的表示学习,即网络中的节点和链接关系都是同一个类型。而异构社交网络中包含了不同类型的节点和链接,用户节点之间的不同的链接类型蕴含着不同的语义关系,用户在不同语义关系下可能具有不同的距离,所以针对同构网络而设计的网络表示学习算法不一定能够很好地学习到社交网络中用户的向量表示。为了解决这一问题,本文提出了一种基于元结构的用户相似度计算方法,利用异构社交网络中不同类型的元结构来更加准确地描述用户之间在不同情景下的语义关系。然后使用栈式降噪自编码器融合多种关系信息,从而学习异构社交网络中用户的低维表示。此外,社交网络中往往存在着比较明显的社区结构,如果在异构社交网络表示学习过程中能够学习到社交网络的社区结构,那么学习到的网络节点向量则能够更加准确地反映出原始网络的结构特点。所得到的网络节点向量在后续的网络数据挖掘任务中也能发挥更好的效果,如用户节点分类等。基于此想法,本文通过把社交网络中的社区类比成自然语言中的主题,利用自然语言处理中的主题模型方法,学习到每个用户节点的社区信息。并将其加入到网络表示学习的过程中去,最终学习到社交网络中用户的最终表示。最后我们通过在三个真实数据集上的实验,验证了本文算法的效果。本文主要工作和创新点主要如下:(1)为了解决社交网络过于稀疏影响网络表示学习效果的问题,本文通过引入更加丰富的信息来缓解社交网络的稀疏性问题。通过挖掘用户节点的属性信息,加入到社交网络中,构造了新的异构社交网络。(2)针对同构网络表示学习算法不适用异构社交网络,无法准确地学习到网络中丰富的语义信息的问题,本文利用异构社交网络中的元结构,提出一种计算异构社交网络中用户相似度的方法。通过该方法来挖掘异构社交网络中的用户之间不同类型的语义信息。然后利用深度神经网络来融合多种语义信息,从而学习到网络的节点表示。(3)为了在网络表示学习中学习异构社交网络中宏观的社区结构信息,得到更加精确的用户表示,本文将社交网络中的社区类比成自然语言中的主题,然后借鉴自然语言处理方法中的LDA主题模型算法来学习用户的社区信息,并将其应用到网络表示学习中去。